HAL 9000是英國科幻小說與同名電影《太空漫遊》(Space Odyssey)中的虛擬人物,它是一種具有人工智慧(AI)的啟發式程式設計演算法電腦,透過一個光學鏡頭與太空船機組人員對話溝通(這算是電腦視覺的最高階應用場景了);他的職責是維護整個飛船系統的正常運作,但他可以與人對話和下棋、識別語音和臉部表情、解釋和表達情感,甚至可以讀懂人的嘴唇動作。科技發展到今天,AI機器人也只是實現了HAL所具有的一些基本功能,電腦視覺技術的難度由此可見一斑。

什麼是嵌入式視覺?

電腦視覺是利用數位處理和智慧演算法來解釋影像或視訊所包含資訊的意義,以據此做出決策。雖然電腦視覺在學術界和實驗室已經有幾十年的歷史了,但除了科幻電影和國防/太空等特殊領域外,它鮮為人知。隨著PC、手機和互動遊戲的出現,電腦視覺才走進消費性電子產品而為普通大眾所熟悉。最近幾年AI和微處理器的發展,更是極大地推動了電腦視覺在各個應用領域的發展,尤其是嵌入式視覺(Embedded Vision),引起了業界的特別關注。

嵌入式視覺就是在嵌入式系統中採用電腦視覺技術,比如汽車ADAS整合多個攝影機以感知周圍環境,提供半自動甚至全自動化的駕駛功能。Google和百度等網際網路巨擘最新發表的、配備螢幕的智慧音箱也是嵌入式視覺的具體應用展現。

市場研究機構Tractica的資料預測,從2016到2025年,嵌入式視覺應用的硬體、軟體和服務市場將以25%的速度成長,到2025年規模將達到262億美元,其中視訊安防、汽車自動/輔助駕駛、AR/VR,以及工廠自動化等應用將是嵌入式視覺成長最快和規模最大的細分市場(參考圖1)。

20190606_EETT_NT31P1 圖1 2016~2025年,嵌入式視覺應用的硬體、軟體和服務市場將以25%的速度成長。 (資料來源:Tractica)

可以毫不誇張地說,凡是有人機互動的場景,都有嵌入式視覺發揮的空間。雖然不像PC和手機那樣作為獨立的人機互動產品而成為劃時代的技術創新,但嵌入式視覺技術在AI和IoT 時代將比PC和手機更為普遍,幾乎無孔不入。從這個意義上來看,「嵌入式視覺」將成為「Next Big Thing」。

那麼,推動嵌入式視覺快速發展的驅動力是什麼呢?

嵌入式視覺的三大元件

一個具備電腦視覺功能的嵌入式系統主要包括攝影機和感測器、視覺處理器、軟體和演算法,以及記憶體和網路介面等元件。過去5年來,微處理器晶片的設計(異質運算多核心SoC)和製造(從14nm縮小到7nm)都有極大的進步,帶來了運算處理性能的大幅提升,特別是專用處理器的出現,為海量的影像和視訊資料處理提供了硬體保障。

與此同時,AI和神經網路逐漸替代傳統的視覺演算法、雲端運算的普及,以及各種深度學習框架和軟體發展工具的出現都在驅動著神經網路執行視覺處理任務的性能提升。因此,高性能專用處理器和深度學習演算法是推動嵌入式視覺技術和應用快速發展的主要動力。當然,高解析度感測器,特別是3D感測器的發展也起著不可忽視的作用。

CPU、GPU、DSP、FPGA還是專屬AI晶片?

一個典型的電腦視覺處理流程示意圖如圖2所示,處理器一般都會專門針對軟體處理任務負荷的運算密集部分進行最佳化。雖然通用型CPU仍然是使用最為廣泛的視覺處理器,但增加GPU作為CPU的輔助處理器已經成為嵌入式視覺設計的標準做法。除了通用型GPU外,DSP和FPGA也是比較受視覺應用設計工程師歡迎的輔助處理器。

20190606_EETT_NT31P2 圖2 典型的電腦視覺處理流程。

通用型CPU、GPU、DSP、FPGA和新興的專用深度學習處理器在進行視覺處理時各有優劣,選擇哪種類型要看具體應用需求而定。雖然很多電腦視覺演算法都可以在桌上型PC處理器上執行,卻難以滿足嵌入式系統對功耗和尺寸的嚴格要求。從電腦指令集架構來看,CPU類型包括x86、Arm和MIPS等RISC,以及最近兩年開始流行的RISC-V。

通用型CPU一般比較適合處理如下任務:啟發式演算法、複雜的決策、網路訪問、使用者介面、儲存管理和系統整體控制等。CPU的硬體架構是為了更廣泛的運算應用,並沒有專門為加速深度學習運算而最佳化,因此需要與專用的處理器配合才能獲得更好的視覺處理性能。

高性能GPU具有極強的海量平行運算能力,可以對電腦視覺流程中的影像畫素資料進行快速平行處理。雖然GPU主要用於雲端運算平台的資料中心和高性能運算領域,但在智慧型手機的應用處理器中也越來越常看到GPU核心特性。GPU的記憶體架構和平行運算硬體架構非常適合深度學習的訓練和推理運算,在要求嵌入式視覺和3D處理的系統設計中,GPU是不可或缺的部分,可以協助通用型CPU一起處理很多種類型的電腦視覺演算法。然而,在嵌入式應用中,特別是對功耗、尺寸和成本比較敏感的IoT智慧終端機和邊緣運算設備中,GPU的高功耗和高成本是其在嵌入式視覺中難以普及的挑戰。

DSP比較擅長處理串流媒體資料,因為其匯流排和結構都專門針對高速資料處理進行了最佳化,這種架構使其成為處理來自感測器的影像和視訊串流資料的理想解決方案。但是,DSP一般無法單獨使用,因為它在處理通用的運算任務時效率不高。因此,DSP一般會跟RISC處理器配對構成異質運算環境以加速視訊輸入和電腦視覺演算法的處理。

據CEVA的AI戰略資深總監Yair Siegel稱,在執行視覺演算法、獲取視覺輸入訊號並對其進行處理方面,專門設計的視覺DSP和AI處理器具有更高的性能和功效(性能/mW)。由於這類視覺引擎專注於特定領域,用於視覺和AI的工具及程式庫應當是最先進的,以提供良好的開發人員體驗。

FPGA提供了一種靈活的硬體加速可程式設計方案,可以快速將軟體遷移到硬體。不像CPU那樣執行多執行緒任務需要爭搶運算資源,FPGA可以同時加速電腦視覺流程的多個部分。FPGA架構在加速深度學習運算方面和GPU類似,其優點是靈活性和適應性強,功耗也低,但缺點是效率不高,開發工具鏈相比GPU稍微欠缺,開發門檻稍高。此外,對於嵌入式應用來說,其成本需要進一步降低才能為大眾市場所接受。

深度學習專用處理器

嵌入式視覺聯盟創始人暨總裁Jeff Bier與EE Times分享了該產業組織所做的最新2019年電腦視覺開發人員調查報告。在用於視覺處理的各種處理器類型中,CPU仍是使用最多的處理器,但GPU的使用普及仍在繼續成長,而FPGA和DSP等輔助處理器的使用有所下降。特別引人注目的是,有1/3的接受調查者已經在使用專用的深度學習處理器了,而這種處理器在幾年前壓根都不存在(參考圖3)。

20190606_EETT_NT31P3 圖3 嵌入式視覺聯盟的2019調查報告顯示,使用專用深度學習處理器的開發者達到32%。

目前業界已經出現各種專用視覺處理器,可以高效、輕鬆地開發視覺和AI演算法。比如在汽車應用領域,Mobileye的EyeQ3、EyeQ4和正在開發中的EyeQ5;特斯拉(Tesla)最近發表的全自動駕駛(FSD)電腦;Nividia DRIVE Xavier晶片,以及歐洲AIMotive的AiWare自動駕駛晶片等。

在視訊安防領域,中國大陸四大AI演算法公司之一上海依圖率先推出了專門針對視訊分析處理的QuestCore晶片;此外還有大疆無人機中使用的神經網路處理器,可用於障礙物檢測和避免碰撞。這些專用視覺處理器使得神經網路能夠在終端設備上執行基本的AI任務。

嵌入式視覺硬體平台的未來趨勢及挑戰

Siegel認為,在AI處理器市場,有些相互衝突的趨勢可以同時發展。比如,一方面有些專用處理器的性能更加強大,而同時很多高效、低成本和低功耗的處理器也備受歡迎。特斯拉和Nvidia正在推動超過100TOPS的高性能處理器,以便能夠平行處理更複雜的神經網路。而另一方面,消費者對價格的壓力推動著消費類電子產品的成本持續下降,例如Google、亞馬遜(Amazon)和百度都有售價200美元及更低的智慧音箱,這意味著這些裝置內部的AI處理器成本應該是10美元或更低。這些趨勢將會重合,我們將看到針對不同需求和應用場景的各種規模的處理器晶片。

性能/功耗比、尺寸和擁有權總成本將是嵌入式視覺處理器需要持續應對的難題,但一個明顯的趨勢是對延遲的要求,因為越來越多的AI應用要求低延遲甚至即時解決方案,賽靈思(Xilinx)工業/醫療/科學市場發展總監Chetan Khona如是說。開發者一直都在為其新一代產品設計尋求靈活、緊湊、低延遲、低功耗和高性能的開發平台;Xilinx SoC具有很好的靈活性及自我調整性,比較適合嵌入式視覺應用,可以為開發者提供可擴展的嵌入式HW/SW方案。

Arm中國一位負責周易AI平台的開發人員認為,在嵌入式場景裡進行深度學習應用開發需要全新的硬體和軟體發展工具,例如具備深度學習加速器的晶片、適應深度學習場景的編譯器、框架和作業系統等。但是全新的軟硬體工具開發需要幾年時間才能成熟完善,在這之前開發者將不得不在工具缺乏的情況下開發應用,面對各種各樣的問題,比如硬體算力達不到場景需求、滿足算力需求的晶片功耗成本過高、模型和晶片的雙重碎片化導致移植開發工作效率低下,以及缺乏可重用的演算法庫導致開發效率低等。

他預計在2020年之前,絕大多數嵌入式視覺場景仍然使用傳統的Arm晶片做深度學習開發。開發者遇到的主要困難是缺乏嵌入式前端的輕量快速部署平台、對CPU/GPU算力的深度挖掘,以及部署後採用量化運算的精度控制等。Arm中國與OPEN AI LAB聯合開發的周易Tengine框架、HCL運算庫和量化訓練工具就是針對部署、算力和精準度這三大問題,配合搭載Arm處理器的傳統嵌入式晶片,希望成為嵌入式視覺開發人員的深度學習部署平台。

感測器

新的成像應用蓬勃發展,正在推動著嵌入式視覺在各個應用領域的普及。對於嵌入式視覺系統的設計人員和開發廠商而言,更小的尺寸、重量、功耗和成本(簡稱SWaP-C)是對各種元件供應商的持續要求。由於影像感測器會直接影響嵌入式系統的效能和設計,在大規模應用中扮演著重要角色。

來自Teledyne e2v的Marie-Charlotte Leclerc在一篇技術文章中指出,要降低影像感測器模組的成本,首先要縮小感測器畫素尺寸。因為,畫素尺寸越小,在一個晶圓上就可以切割出更多的裸片來。例如,Teledyne e2v的Emerald 5M感測器把畫素尺寸減小至2.8μm,讓S口(M12)鏡頭能夠用於500萬畫素全域快門感測器上,可以帶來直接的成本節省。入門級的M12鏡頭價格約為10美元,而較大尺寸的C口或F口鏡頭成本要貴10~20倍。

除了光學最佳化,感測器介面的選擇也間接影響視覺系統的成本。 MIPI CSI-2介面最初是由MIPI聯盟為行動產業開發的,它已被大多數系統整合廠商廣泛採用,並已開始在工業市場流行開來,因為它可以直接與SoC或系統級模組(SOM)整合。具有MIPI CSI-2介面的CMOS影像感測器無需任何中間轉換器橋,即可直接將資料傳輸到嵌入式系統的主機SoC或SOM,從而節省了成本和PCB空間。在基於多感測器的嵌入式系統(如360度全景系統)中,這一優勢更為突出。

CCD還是CMOS?

歸功於智慧手機及其他消費類電子產品的普及,CMOS影像感測器現已佔據90%以上的市場。然而,針對某些特殊應用,CCD感測器的脈衝原理方式可以獲得比CMOS感測器更理想的應用特性,ADI系統應用工程經理李佳對此做了詳細闡述。

CCD感測器成像能獲得更小的畫素,在同樣解析度下,光學靶面小,便於鏡頭的輕巧設計,對於手機等便攜應用產品來說外形尺寸是關鍵指標之一。CCD感光度高,特別是在940nm波段有較好的表現,可應用於室外強光,這對於室外人臉識別、行動支付等應用場景很重要。

CCD的全域曝光優勢還可以測量快速移動的目標,基於CCD感測器測量距離可以達到強光下>10公尺,這對於像運動物體中遠距離的避障等應用來說非常關鍵。基於CCD成像的脈衝式原理可以在單幀下運算出深度資訊,這對於那些基於深度資訊的人體動作識別、手勢控制、物體外形掃描等應用來說非常關鍵。ADI的ToF方案主要採用CCD感測器。

此外,在科研和航空航太等領域,CCD還是佔據著主導地位。Teledyne e2v業務拓展經理Tracy Da認為,這是由於CCD影像感測器已經有多年的積累驗證,航空飛行模式對靈活性和掃描的嚴格要求是大批量生產的CMOS影像感測器無法滿足的。雖然CMOS從技術上可以實現大部分功能,甚至某些特性強於CCD,但在相應專業領域的可靠性和方案驗證仍需要很長時間才能追趕上CCD。

3D影像感測器

2D影像感測器在許多行業的大規模設備和相機中發揮了關鍵作用,因為它的成本較低,製造方式也比較透明。但是,與人類視覺相似的良好相機或機器視覺應該是3D形式。在考慮3D影像感測器時,需要權衡技術優勢與批量生產技術的挑戰。在技術方面,3D感測器面臨著應對各種場景(如陽光、黑暗短距離、遠距離)和穩健性(遇到撞擊後不需要硬體校準就可以繼續工作)的挑戰。有許多技術可以通過多個更複雜的感測器、左右兩個感測器,或者在單個感測器上使用更複雜的軟體來理解3D影像。

現有耳熟能詳的3D成像方案就是iPhone X的人臉識別了,主要採用結構光配合2D影像感測器。此外,3D方案還有雙目視覺、ToF感測器和Range Gating等技術,對於不同應用場景有不同的精準度要求。在手機等消費類市場,整體方案的體積和功耗是最大的挑戰,後端演算法支援也是一個不小的難題。

艾邁斯(ams)現場應用工程師王鐔認為,新興的3D技術在消費和工業領域中都有很好的發展前景,比如在消費市場中的人臉識別,場景重建和AR/VR等,工業應用中的SLAM和機器視覺等。現有3D相機已經發展得較為成熟,但還缺少強大後端演算法支援,同時在介面和標準上也沒有對應規範。

目前,ToF和結構光是許多3D相機首選的兩個方案,它們在幾乎所有相機設備中都具有許多優勢和潛在用途。這兩種技術的國內外供應商也不少,比如ams、ADI和英飛凌的ToF影像感測器都已量產,ST的結構光元件已經批量用於iPhone。

ToF影像感測器技術有較高的深度解析度(VGA)和強光下的抗干擾性能等主要優勢,非常適合以下應用:

  1. 室內外的人臉識別;

  2. 手勢控制和體征識別(比如手勢互動控制、3D人流統計、3D Camera自動門);

  3. 物流快遞貨物體積掃描;

  4. 運動物體中遠距離的避障(例如基於ToF的倒車影像防撞偵測、電子圍欄)。

以vivo與ADI合作開發的ToF 3D超感應技術vivo NEX系列手機為例,ToF 3D立體攝影機大大提升了手機支付的安全性,豐富了美顏及其他便利功能。透過ToF紅外線景深鏡頭,能更準確的識別使用者面部大量的立體特徵,不僅可以實現解鎖,更能實現「刷臉」支付。透過 3D 臉部建模的方式,實現3D級別的捏臉效果,能細緻的調整臉型。ToF相機還支援3D測量儀功能,用於測量物體尺寸。

軟體和演算法

一直以來,電腦視覺應用依賴於高度專業化的電腦演算法,由經驗豐富的開發人員專門針對某一特定應用領域或用戶案例進行長時間的開發和更新。傳統演算法的高門檻和專業化程度阻礙了電腦視覺技術的發展和應用普及,使得新的應用設計開發十分昂貴,且週期頗長。自2012年以來,AI和深度學習的出現降低了演算法建模和開發的門檻,大大釋放了電腦視覺的潛能,吸引著越來越多的開發者和企業在其系統設計中嵌入視覺功能,使得基於電腦視覺的演算法、系統和應用更易於開發和規模化部署。

傳統演算法和AI演算法?

在嵌入式視覺聯盟的年度開發者調查中,87%的調查回應者表示已經或打算在其產品設計中採用深度學習神經網路來實現電腦視覺方面的功能。在軟體發展平台和演算法方面,對於非神經網路的視覺演算法任務,最流行的軟體語言是C++,使用最廣的演算法庫是開源的OpenCV、MATLAB和CUDA也有不少的用戶。而對於採用深度學習的視覺演算法任務,Google的TensorFlow是最流行的神經網路創建、訓練、評估和部署軟體框架。

雖然傳統演算法的入門門檻較高,需要對演算法細節瞭解較深,而且後續真正應用落地中還需要反覆調整參數,但是傳統演算法能夠專門針對具有良好品質的通用特徵進行調整,其高度的專業化對開發廠商來說也是一種競爭優勢。此外,有些非運算密集型應用,或者不太適合AI的應用領域,傳統演算法仍會佔據主導地位。

深度學習入門門檻較低,可基於經典網路進行遷移學習,但需要大量標籤好的資料集,因為演算法性能和訓練集大小成正比。但深度學習後續如需進一步精益求精,要求資料科學家具備深度學習網路的設計、剪枝和量化等能力。由於深度學習模型的難以解釋性,其後續的門檻比傳統演算法還要高。另外,深度學習訓練時間較長,如果最終應用要求的訊框數較高,後續推理運算的最佳化仍需花較長的時間來最佳化模型,或者掌握不同硬體的開發工具。

傳統演算法和AI演算法似乎有一個天然的衝突和競爭,但大多數演算法開發人員實際上是在傳統電腦視覺演算法和神經網路之間進行混搭,以實現精確度和效率的最佳組合。

硬體最佳化的電腦視覺演算法

電腦視覺演算法的一個創新趨勢是用硬體最佳化的演算法來替代通用的演算法。鑒於嵌入式視覺有很多處理器可供選擇,演算法分析將會專注於在系統限制範圍內最大化畫素級別的處理能力。很多可程式設計元件供應商為此創建了標準電腦視覺庫的最佳化版本,比如Nvidia將CUDA開源,並與OpenCV社區合作創建了可以由通用型GPU加速的演算法。MathWorks在其視覺系統工具箱中為很多電腦視覺演算法提供MATLAB功能/物件和Simulink模組,還可以讓開發者針對特定的可程式設計架構開發自己的功能庫。

NI的圖形化程式設計軟體LabVIEW與深度學習的主流程式設計語言Python融合,支援直接調用Python檔,用戶可以方便地利用NI的資料集和Python深度學習演算法庫進行工程開發的創新探索。此外,賽靈思也以隨插即用IP內核的形式為客戶提供最佳化的電腦視覺庫,以便在FPGA上開發硬體加速視覺演算法。

演算法及軟體平台的未來趨勢及挑戰

嵌入式視覺應用開發者首先遇到的困難就是在CPU、GPU、FPGA和其他處理器中選擇合適的嵌入式平台,不同的硬體平台及其相應的工具鏈完全不同,都需要重新學習和熟悉。再次,由於深度學習模型的難以解釋性,模型調整和最佳化會缺乏方向,並且需要反覆嘗試。

深度學習演算法需要非常高的運算能力,這個要求會持續成長並不斷改變特徵。嵌入式視覺平台需要在電池供電的低成本設備中應對這些問題。因此,開發人員面臨的挑戰不僅在於將大量運算功能塞入小型記憶體和廉價處理器中,而且還要能使這些功能在演算法發展過程中快速更新。一個良好的軟體發展平台應該快速將新的研究網路移植到硬體上,並且最大限度地利用硬體。

MathWorks資深技術專家陳建平及其美國同事列出了開發者所面對的如下主要挑戰:

1.深度學習最佳化:要確保程式碼得到最佳化以充分利用處理器硬體性能,從而獲得足夠的推理引擎性能。例如,基於NvidiaGPU編寫CUDA程式碼的開發者可以透過自動調節、層融合,並利用Thrust和TensorRT等加速庫來提升性能。

2.整合多種程式庫和軟體套件:對於每個要實現的專案目標,開發者都需要管理由晶片開發商提供的程式庫、開源的軟體套件,以及他們自己手寫的程式碼。而且需要單獨維護、驗證和完善不同目標的部署。

3.演算法和供應商Lock-in:一旦開發者確定使用某一家供應商的晶片組和演算法庫,他基本就被鎖定了,所編寫的程式碼很難轉移到其他平台。

針對這些問題,MathWorks的因應措施是讓開發者使用獨立於目標的高階MATLAB語言來設計自己的AI系統,然後利用程式碼產生器針對不同的處理器和硬體平台自動創建目標佈署。這樣,無論是CPU、GPU、FPGA還是Arm處理器,深度學習推理以及訊號和影像處理都可以從容應對。

嵌入式視覺的三大應用

在嵌入式系統中添加視覺功能啟動了傳統的工業自動化、汽車電子和安防監控市場,甚至遊戲、AR/VR和可穿戴設備等消費電子產品也迸發出新的活力。

工廠自動化

電腦視覺在工廠自動化領域通常被稱為「機器視覺」,涉及的產業主要包括車輛製造、化學和製藥、包裝設備製造、機器人製造,以及半導體和電子產品製造和組裝等。工廠自動化用到的機器視覺產品主要有以下部分:智慧感測器、智慧攝影機、機器視覺攝影機、影像擷取卡(frame grabber)、機器視覺照明和鏡頭,以及機器視覺軟體等。

NI工業物聯網/人工智慧行業經理郭翹認為,在工業中需要深度學習的場景大多是視覺應用,例如產線或工廠的缺陷檢測、字元識別等。通常這種惡劣的環境不適合有風扇的嵌入式系統(GPU),待測物件的多變以及演算法的反覆運算開發通常也難以找到合適的專用晶片。

汽車電子

自動駕駛和ADAS是電腦視覺在汽車方面最熱門的應用,然而,嵌入式視覺還可以安裝在車內用來監控司機的駕駛狀態。在車輛與周圍環境的互動場景中,電腦視覺晶片和演算法可以實現偏離車道警告、防撞、自動倒車和泊車等功能。

電腦視覺在汽車上應用的目的不是讓車代替人以實現自動駕駛,而是讓汽車駕駛更安全。Siegel預測,汽車市場的焦點將是更智慧和更具輔助性的視覺設備,因此演算法需要預測和理解人類行為、關聯背景和環境,更好地利用這些知識來相應地選擇通知、反應和預測。這將需要更先進的網路範例,例如能夠理解動作的遞迴神經網路(RNN),不僅要瞭解汽車前面有人,還要瞭解他要去的地方,以及何時進入汽車危險區域。

郭翹則預測,在汽車應用中,影像和視覺感測器融合的自動判別和決策,而不是僅僅基於攝影機的方案,才是未來發展的關鍵。他認為未來3~5年內,更多的提升是在軟體工具鏈上,會有更多傻瓜式的工具降低對資料科學家的依賴,更方便的設計和最佳化深度學習網路。

安防監控

在傳統的物理安防監控市場,涉及的主要視覺產品包括網路攝影機、編碼器、網路視訊記錄儀、DVR及其他智慧監控設備。最近幾年,視訊監控市場出現了「低階」分析現象,比如攝影機破壞檢測和視訊移動檢測,這些功能在很多安防終端設備上成了標配。

中國大陸安防市場已經相當成熟,華為海思、海康威視以及商湯等新老廠商都從不同的角度在這一市場拼殺,但一個共同的特點是大家都打AI牌,從AI相機、AI晶片到AI演算法,無論硬體還是軟體都會植入AI功能。然而,這一市場的標準不統一,演算法成本昂貴等問題仍有待解決。專用視覺處理器和深度學習演算法也許可以協助推動這一龐大市場健康發展。

結語

電腦視覺這一有著多年科研和學術研究歷史的課題正以「嵌入式視覺」的面目,借著AI晶片和深度學習的東風進入主流市場。汽車電子化、工廠自動化、安防監控,以及互動式智慧終端機產品的龐大市場需求吸引了眾多廠商和開發者進入嵌入式視覺領域。而視覺處理器、影像感測器,以及AI演算法和軟體發展平台的並行發展,也驅動著嵌入式視覺應用的普及。在AI和萬物互連的時代,嵌入式視覺可望成為「Next Big Thing」!